Third Moment: 10.000 KI-Agenten laufen über 36 Stunden

Hintergrund

Third Moment Research ist ein KI-Labor. Laut einer Fallstudie von OpenAI baut es mit Modellen und Werkzeugen von OpenAI Agentensysteme, die über lange Zeit ohne Pause arbeiten. Die Kennzahl im Titel ist groß: Mehr als 10.000 Agenten laufen gleichzeitig, und zwar über 36 Stunden. Der genannte Stack besteht aus vier Teilen: den Modellen GPT-6 Astra und GPT-6.1 Sol, dem Coding-Agenten Codex sowie Daybreak, das auf Aufgaben der Cybersicherheit zielt.

Das Ziel des Labors ist klar formuliert. Die Agenten sollen tagelang fokussiert bleiben und sich im Einsatz verbessern, statt nach jeder Aufgabe wieder bei null zu beginnen. Eine Einschränkung ist wichtig: Die öffentlichen Angaben nennen weder die Arbeitsteilung zwischen den Agenten noch die Aufgabentypen, die Kosten oder die Erfolgsquote. Alles, was darüber hinausgeht, ist Analyse auf Basis gängiger Ingenieurpraxis und kein Einblick in das interne Design des Teams.

Tiefenanalyse

Die 36 Stunden fallen auf, weil die meisten Agentenprodukte noch in kurzen Schüben arbeiten. Eine typische Aufgabe dauert Minuten bis einige Dutzend Minuten. Das Modell plant, ruft Werkzeuge auf und liefert ein Ergebnis innerhalb eines Kontextfensters. Wer diese Spanne auf viele Stunden dehnt, stößt auf vier Probleme.

Erstens driftet der Kontext: Frühe Ziele und Vorgaben werden von späteren Informationen verwässert, und ein Agent kann unbemerkt vom Auftrag abkommen. Zweitens häufen sich Fehler an. Jeder Schritt hat eine gewisse Ausfallwahrscheinlichkeit, daher sinkt die Zuverlässigkeit mit der Länge der Kette. Lange Läufe brauchen Checkpoints, Rollbacks und Selbstprüfungen. Drittens braucht es Zustandsverwaltung. Ein solcher Lauf passt in kein einzelnes Gespräch, deshalb muss der Fortschritt in externem Speicher, Aufgabenprotokollen und Dateisystemen liegen. So kann ein unterbrochener Agent dort weitermachen, wo er aufgehört hat. Viertens wird die Ressourcenplanung heikel. Bei 10.000 Agenten laufen enorme Mengen paralleler Modellaufrufe, Werkzeugausführungen und Sandboxes, und ein Ratenlimit oder Defekt in einer Schicht kann die ganze Flotte treffen.

Dass der Lauf 36 Stunden durchhielt, deutet deshalb auf eine einigermaßen reife Orchestrierungs- und Fehlertoleranzschicht hin. Auch die Formulierung, die Agenten würden sich im Einsatz verbessern, verlangt Vorsicht. In der Praxis heißt das meist, dass Erkenntnisse aus früheren Läufen als wiederverwendbarer Speicher, als Fähigkeiten oder als Bewertungsdaten abgelegt werden und spätere Agenten weniger Umwege gehen. Das wäre Lernen auf Systemebene und nicht zwingend eine Änderung der Modellgewichte. Welche Variante Third Moment meint, geht aus der Quelle nicht hervor.

Branchenwirkung

Die Kombination der Komponenten legt eine Arbeitsteilung nahe. Die großen Modelle übernehmen Schlussfolgern und Entscheiden, Codex setzt Entscheidungen in Programme, Skripte und automatisierte Abläufe um, und Daybreak richtet die Fähigkeiten auf die Cybersicherheit aus, ein Feld mit hohem Nutzen und hohem Risiko. Gerade dort sind langlaufende Agenten ein natürliches Testfeld: Schwachstellensuche, Log-Analyse und Angriffs- und Verteidigungsübungen verlangen Geduld, Wiederholung und breite Abdeckung. Menschliche Arbeitszeit ist hier teuer, Maschinen dagegen arbeiten ohne Pause. Zugleich sind strenge Kontrollen nötig. Jede Aktion eines Agenten sollte prüfbar und im Umfang begrenzt sein, sonst bedeutet mehr Leistung nur mehr Risiko.

Für Entwickler und Unternehmenskunden könnte sich der Maßstab verschieben. Bisher zählt vor allem die Qualität einer einzelnen Antwort. Ein Fall wie dieser rückt Stabilität über lange Läufe, Wiederanlauf nach Ausfällen und Kosten pro erledigter Aufgabe in den Vordergrund. Für konkurrierende Anbieter von Modellen und Agenten entsteht damit eine neue Wettbewerbsfläche, denn Benchmark-Werte sagen darüber wenig aus. Überzeugend ist, wer eine komplexe Aufgabe bis zum Ende durchhält.

In der Sicherheitsbranche wirkt der Effekt in beide Richtungen. Verteidiger können Agentenflotten für großflächige Prüfungen einsetzen, Angreifer könnten ähnliche Fähigkeiten nutzen, um schneller zu arbeiten. Zugriffskontrolle, Nutzungsprüfung und verantwortungsvolle Freigabe gewinnen deshalb an Gewicht, auch bei Daybreak.

Ausblick

Vier Signale verdienen Aufmerksamkeit. Erstens: Macht OpenAI aus dieser Art von großskaliger Langzeit-Orchestrierung ein Produkt? Aufgabenwarteschlangen, Speicher, Checkpoints und Überwachungsschnittstellen würden anderen Teams den Bau von Grund auf ersparen. Zweitens die Kosten. 10.000 Agenten über 36 Stunden bedeuten eine erhebliche Rechenrechnung, und das Modell verlässt das Labor nur, wenn die Kosten pro Aufgabe auf ein tragbares Niveau sinken. Zahlen dazu liegen bislang nicht vor.

Drittens die Bewertung. Es fehlen Benchmarks, die den Abschluss von Aufgaben über mehrere Tage messen, und verlässliche Wege zu erkennen, ob ein Agent wirklich besser wird oder nur so wirkt. Viertens die Governance: Welche Autorisierung, Protokollierung und Missbrauchsvorsorge für Sicherheitswerkzeuge wie Daybreak gelten, zeigt, wie verantwortungsvoll sich diese Fähigkeit verbreitet.

Die Richtung des Falls ist eindeutig. Der Wettbewerb unter Agenten verschiebt sich von der Frage, wer gut antwortet, zur Frage, wer eine Aufgabe über lange Zeit zuverlässig und sicher zu Ende bringt. Solange weitere Details fehlen, sollte ein einzelner Fall nicht als Branchenstandard gelesen werden.